OpenMythos 不是破解 Claude——但它提前暴露了下一代模型的真正战场

昨晚有朋友发来一条消息：

"看到没，OpenMythos 刚开源，一个 22 岁天才两天复刻了 Claude 的核心架构，你的 AI 选题雷达怎么还没扫到？"

我第一反应是——假的。Anthropic 从来没公开过什么叫"Mythos"的东西，Claude 的架构本身就是闭源黑盒。一个人两天复刻？不可能。

然后我去搜了。

项目真的存在。kyegomez 四月十九号放出来，不到两天 2.6k star、499 fork。MarkTechPost、digitado、awesomeagents 都在报。我的雷达扫的是 HN、arxiv、GitHub Trending、Anthropic 博客、OpenAI 博客——这五个源里没有一个第一时间抓到它。

但"破解 Claude 核心架构"这个描述，错得离谱。

先把事情讲清楚：这根本不是破解

打开 OpenMythos 的 README，第一段原话：

OpenMythos is an independent, community-driven theoretical reconstruction based solely on publicly available research and speculation. It is not affiliated with, endorsed by, or connected to Anthropic.

翻译成人话：这是独立项目，基于公开论文的纯猜测。不隶属于 Anthropic，没授权，没任何内部关系。

作者 Kye Gomez 也不是什么神秘天才。他是 swarms 这个 agent 框架的作者，GitHub 上挂着不少"快速复现热门概念"的项目。以速度见长，也以命名敏感见长。

所以 OpenMythos 做的事，拆开看其实是这样：

1. 他读了今年学术圈关于 Recurrent-Depth Transformer（循环深度 Transformer，下面简称 RDT）的论文——至少五篇，都挂在 arxiv
2. 他挑了一组最 promising 的配置：RDT 架构 + Multi-Latent Attention（MLA）+ Mixture-of-Experts（MoE）FFN
3. 他猜 Claude 的 Mythos 模型用的就是这套
4. 他用 PyTorch 按这个假设写了一版，起名叫 OpenMythos

这不叫破解。这叫——拿公开乐高零件，拼一个"你猜这是不是 Claude"的玩具。

2.6k star 不证明架构正确，证明的是"Claude Mythos"这个命名太好卖了。

但往下挖一层，信号是真的

把 OpenMythos 本身放一边，它引用的那一堆论文才是正事。

RDT 这条路线，今年越来越硬。随手列几篇：

• 《Loop, Think, & Generalize: Implicit Reasoning in Recurrent-Depth Transformers》(arxiv 2604.07822)
• 《Latent Chain-of-Thought? Decoding the Depth-Recurrent Transformer》(arxiv 2507.02199)——研究 Huginn-3.5B，一个已经公开放出来的深度循环 Transformer
• 《Thinking Deeper, Not Longer: Depth-Recurrent Transformers for Compositional Generalization》(arxiv 2603.21676)
• 《Two-Scale Latent Dynamics for Recurrent-Depth Transformers》(arxiv 2509.23314)
• 《ELT: Elastic Looped Transformers》(arxiv 2604.09168)

这五篇指向同一个想法：

把"参数量"和"计算深度"解耦。

传统 Transformer 是这样：

• 要模型更强 → 堆更多层 → 参数量上去 → 训练和推理成本都上去

RDT 是这样：

• 前面一小段 Prelude（标准 Transformer 层，跑一遍）
• 中间是 Recurrent Block，同一批权重循环 T 次（OpenMythos 默认最多 16 次）
• 最后一小段 Coda（标准层，跑一遍）

参数量没变。但模型可以"想"得更深——靠让同一块权重反复过数据。



kyegomez 在 README 里引用的核心数据：

在同样训练数据下，770M 参数的 RDT 效果 ≈ 1.3B 参数的标准 Transformer。

这个数字出自 Parcae, Prairie et al. (2026)。如果结果能被第三方独立复现，模型竞争的坐标系就要变了。

这对做 AI 产品的人，意味着什么

我自己在交付 AI Agent 产品，对底层模型的成本结构特别敏感。

过去两年，我们评估一个新模型，问的问题很固定：

• 参数量多少？
• 训练数据多少 token？
• 推理一次多少钱？

如果 RDT 这条路真的走通，问题会变成：

• 最小配置下参数量多少？
• 推理时最多可以循环多少次？
• 不同 loop 次数下，效果曲线怎么变？

这叫 adaptive compute——同一个模型，简单任务跑 4 个 loop，复杂任务跑 16 个。算力按需花，不按最坏情况预留。

对做 AI 产品的人，有两个直接影响。

第一，小模型能做的事会变多。

我们在交付现场遇到过好几次：客户数据敏感只能私有化部署，只能上 7B 或 13B 的开源模型，效果撑不住，被迫降级交付。如果 770M 的循环版能顶 1.3B 的标准版，同样算力能跑更强的模型，或者用一半的算力跑同等效果。对 B 端私有化这类场景，直接改变交付的可行性边界。

第二，延迟和成本的权衡变复杂。

RDT 的代价是推理延迟。循环 16 次 ≈ 推理时间乘 16。对实时交互场景——对话、Agent 工具调用——这是硬伤。对异步场景——文档分析、代码生成、长任务规划——反而是好事。



未来产品的成本模型，不再是"请求数 × 单价"那么简单。会变成"请求数 × 复杂度分布 × loop 次数"。做 Agent 的人，要学会在 prompt 进入模型之前，提前判断任务复杂度，给模型分配合适的思考深度。

这个能力，我现在的项目里已经在手动模拟——简单问题路由到 Haiku，复杂问题路由到 Opus。如果 RDT 走通，以后可能只用一个模型，靠调 loop 次数就能做到同样的事。模型选择会从"选型"变成"调参"。

最后说点坦白的

昨晚那条消息，我第一反应是直接否定。因为我的雷达没扫到，因为我训练知识里没有"Mythos"这个架构，因为那句"22 岁天才破解"的文案听起来就像营销号造谣。

结果我错了。

错的不是判断"22 岁天才破解"是扯淡——这个判断对的。错的是在还没去搜之前，就下结论。

民间"考古式复现"这类项目，以后只会越来越多。大部分确实是噪音。但噪音里有时候藏着真信号——这次的真信号不在 OpenMythos 本身，在它引用的那几篇论文里。

我今天做了两件事：

1. 把 MarkTechPost、The Decoder 这类二梯队媒体加进了 AI 选题雷达
2. 把"用户说某个具体事件存在时，先搜再下判断"写进了自己的工作记忆

顺手记个教训：

听起来像谣言，不等于是谣言。

下次再有人发"天才破解某大厂架构"的消息，我会先打开 GitHub 搜 repo，再打开浏览器。然后再回答。

OpenMythos 这个项目本身，我不会去用。kyegomez 的代码质量从 swarms 那一路看下来，一般是快于严谨。但它提醒我一件事：

Anthropic 可能不用 RDT，但这不重要。重要的是，RDT 这条路在学术界已经跑通了一部分，2026 年一定会看到第一批真正用 RDT 训练的商用模型。

真正值得盯的不是 OpenMythos，是它身后那一整排 arxiv 编号。